SunnyNet：一种用于三维非局部热动平衡辐射转移的神经网络方法

背景。在允许偏离局部热动平衡（非LTE）的条件下，由恒星大气的三维模拟计算光谱在计算上非常密集。目的。我们开发一种基于机器学习的方法，以加速光学厚恒星大气中的三维非LTE辐射转移计算。方法。利用多种太阳大气的三维模拟，我们训练了一个卷积神经网络SunnyNet，以学习从LTE到非LTE原子布居的映射。用现有三维代码计算的非LTE布居被视为真值。随后该网络被用于预测其他三维模拟的非LTE布居，并基于其预测的非LTE布居计算合成光谱。我们以氢的六能级模型原子和H$\alpha$光谱作为测试用例。结果。SunnyNet对非LTE布居给出了合理的预测，在单块GPU上运行并与现有代码相比，实现了约10$^5$倍的显著加速。当使用同一模拟的不同快照进行训练与测试时，SunnyNet对大多数点的预测在真值的20–40%以内，导致H$\alpha$光谱的平均差异为几个百分点。预测的H$\alpha$强度图与现有代码非常吻合。最重要的是，它们展示了色球纤维形态中三维辐射转移的特征迹象。当训练与测试采用不同系列的模拟时，结果则不够可靠。SunnyNet是开源且公开可用的。